CT纹理分析对成人急性阑尾炎分型的预测价值

朱翰林 冯波 张梅花 张海峰 魏培英 韩志江

急性阑尾炎是最常见的临床急腹症，其终生患病率为7%～9%［1］，尽管手术切除是非常有效的治疗手段，但其并发症和有创性易给患者带来痛苦。研究表明，保守治疗与手术切除相比，在非复杂性阑尾炎（uncomplicated acute appendicitis，NCCA）患者的预后上并无明显差异［2］，而复杂性阑尾炎（complicated acute appendicitis，CCA）常常需要手术治疗才能有更好的预后［3］。因而，在阑尾炎早期对其病理分型进行精准预测，是临床面临的重要问题。传统CT征象对于急性阑尾炎的评估主要基于医师的裸眼观察和经验性分析，存在主观能动性的干扰并且缺乏定量的评估指标，其诊断效能只有80.8%［4］。纹理分析［5］可通过运用计算机技术检测肉眼无法识别的病变结构的细微变化，为急性阑尾炎的精准诊断提供依据。本研究通过回顾性分析157例急性阑尾炎患者的CT影像资料，并运用纹理特征建模，探讨纹理分析对CCA和NCCA的预测价值，现报道如下。

1 材料与方法

1.1 临床资料 选取2019年9月至2021年9月在杭州市第九人民医院就医的患者157例。（1）纳入标准：①急性阑尾炎患者；②有术后病理结果；③年龄≥18岁。（2）排除标准：①阑尾结构CT显示不清；②运动或体外异物伪影；③炎症性肠病或进展期肠癌。本研究经医院医学伦理委员会批准，所有患者签署知情同意书。

1.2 诊断标准和分类 根据病理类型，将急性阑尾炎患者分为NCCA组和CCA组。参考BHANGU等［6］对急性阑尾炎大体和镜下表现的描述，总结如下：①NCCA病理类型包括单纯性和化脓性阑尾炎；②CCA病理类型包括坏疽性、穿孔和脓肿。

1.3 CT检查方法 采用美国GE公司Optima CT540 16排螺旋CT行腹部平扫，扫描范围为膈顶至盆腔入口水平。患者扫描前未进行禁食、禁水。扫描参数：管电压120 kV，管电流250 mAs，层厚5 mm，层间距5 mm，视野36 cm×36 cm。

1.4 CT纹理分析 采用分层随机抽样方法将患者资料按照8∶2的比例分为训练集与测试集，训练集的数据用于特征筛选、模型构建。（1）ROI分割：采用MRcroGL软件，手动进行感兴趣区域（region of interest，ROI）分割，ROI分割步骤：由1名影像医师对患者阑尾进行逐层勾画（见图1），不含周围炎性渗出，间隔3～5 d再次勾画。（2）为降低采集参数差异造成的影响［7］并加强系统的鲁棒性［8-9］，使用Nearest Neighbor和Pyradiomics软件对图像进行插值重采样和标准化。（3）特征提取与建模：使用Pyradiomics对切割后的图像先行小波变换后再行纹理特征提取，最终共提取出576个小波纹理特征。后采用Python语言的Sklearn内的逻辑回归（Logistic Regression，Log）与支持向量机（support vector machine，SVM）、决策树分类器（decision tree classifier，DTC）三种算法进行建模。最终，分别绘制三个模型在训练集和测试集上的ROC曲线并计算AUC值、准确度、灵敏度及特异度，选取AUC值最高的算法进行下一步建模，组建基于CT纹理特征的机器学习模型。

图1 1A为CCA患者病变全层ROI的勾画；1B为NCCA患者病变全层ROI的勾画

1.5 统计学方法 采用SPSS 23.0统计软件。计量资料符合正态分布以（±s）表示，采用t检验；不符合正态分布以［M（P25，P75）］，使用 Mann-Whitney U检验进行分析。计数资料以［n（%）］，采用χ2检验。以P＜0.05为差异有统计学意义。

2 结果

2.1 两组一般资料比较 经分层随机抽样分组后，训练集125例患者中，病理结果显示CCA患者61例，NCCA患者64例；测试集32例中，CCA患者16例，NCCA患者16例。训练集和测试集患者相比，其临床基线资料均无统计学差异，见表1。

表1 两组的临床基线资料比较

2.2 纹理特征提取的一致性检验 分次勾画的CT纹理特征数据的ICC范围为0.755～0.907，提示所提取的纹理学特征数据组内一致性较好。

2.3 CT纹理特征选择结果 使用Pyradiomics软件从CT图像中共提取了576个小波纹理特征，通过LASSO回归筛选出8个最优特征集（图2、3），包括一阶纹理特征2个：分别为高高低和高低高通滤波后峰度；二阶纹理特征基于灰度共生矩阵：滤波后最大概率1个；高阶纹理特征基于灰度游程长度矩阵5个：运行百分比、长游程高灰度优势、灰度非均匀归一化、长游程低灰度优势、短游程高灰度优势。各特征所占权重，见图4。

图2 纵轴为均方误差，横轴表示l o g（λ）值。模型的均方误差最小处的λ为最优值（垂直虚线）

图4 筛选获得的8个纹理特征及其所占权重

2.4 CT纹理分析模型构建与验证 将8个CT纹理特征分别使用SVM与Log、DTC三种算法建立模型并绘制在训练集和测试集中的ROC曲线，分别得出在训练集上AUC值为0.92，0.88，0.79；测试集上AUC值为0.90，0.84，0.73（见图5）。选取AUC值最高的SVM算法进行下一步建模，绘制ROC曲线，分别得出训练集和测试集AUC值为0.92、0.90（见图6、表2）。

表2 SVM在训练集和测试集的诊断效能

图3 纵轴为系数值，用最佳λ值代做垂线，保留与该垂线相交且系数不为零的曲线对应的参数

图5 三种算法模型的ROC曲线

图6 支持向量机模型在训练集和测试集中的ROC曲线

3 讨论

急性阑尾炎在临床上往往选择手术切除作为主要治疗手段，但明显存在着有创性和发生术后并发症风险的缺点。因此，保守治疗在临床中正越来越受到重视，SALMINEN等［10］的研究结果证实了保守治疗也能够取得不亚于手术治疗的效果，然而存在CCA复发和再次手术的风险。术前对CCA和NCCA的判别主要依赖于医师的主观鉴别，如通过CT影像上阑尾直径是否≥6 mm做出是否为急性阑尾炎的诊断，将存在粪石或穿孔的定义为CCA［10-11］。但实际上这与病理学上的定义并不相同，如经病理诊断为NCCA的患者，其中亦不乏有粪石者。因此，寻找一个客观可行的影像学方法来鉴别NCCA和CCA就显得尤为重要。

本研究采用的是不同于以往的传统影像学诊断方式，而是通过提取可量化的CT纹理特征，使用3种机器学习方法进行建模分析，从而鉴别NCCA和CCA。本研究中SVM模型的AUC值最高，SVM作为一种强机器学习算法，引入了核函数和核技巧，有效解决了非线性问题［12-13］，其原理是通过把CT纹理特征映射到更高维度的空间中，以解决原空间中线性不可分的问题，在保证模型的诊断准确度时又有效避免了过拟合。

本研究中8个最优纹理特征均为小波特征，小波变换是通过不同维度方向的变换方式，在滤波去噪的同时保证图像的特征不变［14］。在8个最优特征集中权重最高的是小波变换后的“灰度非均匀归一化”，该特征是以通过除以离散强度值的总数来标准化相邻强度值之间的差值，反映了图像的局部均匀性。其中CCA组的“灰度非均匀归一化”要低于NCCA组（P＜0.05），说明CCA图像的均匀度较差，其原因可能是CCA患者阑尾化脓和坏死的透壁炎症较为严重，从而使得阑尾密度变的不均匀。仅次于“灰度非均匀归一化”纹理特征的是不同滤波下的“峰度”值，该特征用来描述图像像素灰度信息分布的陡峭程度，若峰度值越大，则分布的形态越陡峭。本研究中，CCA组的峰度值明显高于NCCA组，表明CCA组陡峭程度高于NCCA组，这可能是由于CCA患者阑尾易坏疽、穿孔所导致的。其他纹理均属于游程矩阵，主要反映了纹理的方向性和粗糙程度［15］，在某个角度具有方向性的纹理会体现为较长的游程，图像上的值越大表明在长行程优势越光滑，同理在短行程优势中越粗糙。而图像灰度分布与游程的长度相关，CCA和NCCA病灶内病理表现的不同导致了图像的灰度分布改变，因此游程矩阵是鉴别CCA和NCCA的重要纹理特征。

本研究不足之处：①尽管本研究的病例有157例，但急性阑尾炎作为常见病其研究的样本量还是偏少，本研究组下一步将扩充样本量；②本研究属于单中心回顾性研究，可能存在选择偏倚，需要进一步的多中心、大规模队列前瞻研究和外部验证。

综上所述，CT纹理分析在鉴别NCCA与CCA时可作为急性阑尾炎早期分型的一种新手段，为临床决策提供更客观、准确的依据。